論文の概要: CalTwin: Towards Calibrated, Shift-Robust Medical World Models via Fisher-Information Regularisation

• arxiv url: http://arxiv.org/abs/2607.26752v1
• Date: Wed, 29 Jul 2026 10:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.629381
• Title: CalTwin: Towards Calibrated, Shift-Robust Medical World Models via Fisher-Information Regularisation
• Title（参考訳）: CalTwin: 釣り情報正規化による校正・シフト・ロバスト医療世界モデルを目指して
• Abstract要約: 2つの障害モードは、臨床展開における医療世界のモデルの信頼性を脅かす。 両問題とも,軽量な正規化目標を通した統一的治療が認められていると論じる。 組み合わせた目的を導出し、どの証明ステップを変更せずに分類設定から移行するかを定め、PhyloNet 2019 Sepsis Challengeで評価する。
• 参考スコア（独自算出の注目度）: 3.5083700786844876
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical world models aim to learn a latent state of patient or organ physiology and a transition function that forecasts how that state evolves under interventions, supporting downstream tasks from imaging-based diagnosis to digital-twin treatment planning. Two failure modes threaten the reliability of such models in clinical deployment: (i)~\emph{covariate shift}, because training data are fragmented across hospitals, scanners, and time, so the feature distribution seen by the latent-dynamics predictor differs across fragments and from the distribution at deployment; and (ii)~\emph{confidence misalignment}, because multi-step forecasts are often overconfident exactly where clinical risk is highest. We argue that both problems admit a unified treatment via a single lightweight regularisation objective, \textbf{CalTwin}, which combines a Fisher-Information-based shift penalty adapted from our prior work on fragmented covariate-shift remediation~\cite{khan2025mitigating,khan2025causal} with a Confidence Misalignment Penalty adapted from our prior work on calibrated vision-language classification~\cite{khan2025confidence}, applied here to a GRU-based medical world model's latent transition predictor. We derive the combined objective, establish which proof steps transfer from the classification setting without modification and which require adaptation, and evaluate it on the PhysioNet 2019 Sepsis Challenge, treating the two hospital systems as sequential training fragments and the unseen system as an out-of-distribution test. CalTwin reduces OOD next-step latent-state MSE by 9.1\% relative to the no-penalty baseline (FIM penalty alone accounts for 7.0\%); the ECE reduction from the Confidence Misalignment Penalty is real but small (0.7\% for CalTwin, 1.3\% for CMP alone).
• Abstract（参考訳）: 医療の世界モデルは、患者または臓器生理学の潜伏状態と、その状態が介入の下でどのように進化するかを予測する遷移関数を学習することを目的としており、画像ベースの診断からデジタル双発治療計画までの下流タスクをサポートする。 2つの障害モードは、臨床展開におけるそのようなモデルの信頼性を脅かす。 (i)~\emph{covariate shift} は、トレーニングデータが病院、スキャナー、時間で断片化されているため、潜在力学予測器で見られる特徴分布は断片とデプロイメント時の分布によって異なる。 (ii)~\emph{confidence misalignment} は、多段階予測が臨床リスクが最も高い場所で過信されることが多いためである。 両問題とも, 単一軽量正規化目標である‘textbf{CalTwin} による統一的治療が, 断片化された共変量シフト修復〜\cite{khan2025mitigating,khan2025causal} に適応したフィッシャー情報に基づくシフトペナルティと, 従来のGRUベースの医用世界モデルの潜伏遷移予測器に適応した信頼性ミスアライメント(Confidence Misalignment Penalty)を組み合わさったものである。 統合目的を導出し, 修正することなく, 適応を必要とする分類設定からどの証明ステップを移行するかを確定し, それらをPhyloNet 2019 Sepsis Challengeで評価し, 2つの病院システムを逐次トレーニングフラグメントとして, 不明システムをアウト・オブ・ディストリション・テストとして扱う。 CalTwin は OOD 次段階の潜伏状態 MSE を、非ペナルティベースライン (FIM のペナルティは 7.0 %) に対して 9.1 % 削減するが、信頼できるミスアライメントペナルティからの ECE の削減は、本物だが小さい (CalTwin は 0.7 %、CMP は 1.3 %)。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support [0.3681040154986213]
  本稿では,CASCADE(Calibrated Adaptive Scaling via Conformal and Distributional Estimation)を紹介した。 Venn-Abersの多確率不確実性を直接非整合性スコアにマッピングすることにより、我々のフレームワークは継続的なリスク適応を実現する。
  論文  参考訳（メタデータ） (2026-05-19T20:30:10Z)
• CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift [7.9644155369405665]
  正のボクセルに対する予測確率の相対的なランクは、分布シフトの下で安定であることを示す「正の領域のランク安定性」を導入する。 次に、反復的なトレーニングフレームワークを設計し、HPとHRを段階的に最終セグメンテーションに絞る'。 CRISPは確率ではなくランクに基づいてセグメンテーションを行う最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-04-07T04:05:36Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。